Courses
A/B Testing in Python
ระดับกลางระดับทักษะ
อัปเดตแล้ว 11/2568PythonProbability & Statistics4 ชม.16 videos51 Exercises4,000 เอ็กซ์พี11,911คำแถลงแสดงความสำเร็จ
เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง
ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?
ลองใช้ DataCamp for Businessคำอธิบายรายวิชา
Discover How A/B Tests Work
Did you know that you are almost guaranteed to participate in an A/B test every time you browse the internet? From search engines and e-commerce sites to social networks and marketing campaigns — all businesses hire the best data analysts, scientists, and engineers to leverage the power of AB testing. Testing different variants can help optimize the customer experience, maximize profits, inform the next best design, and much more.
Learn About A/B Testing in Python
You’ll start by learning how to define the right metrics before learning how to estimate the appropriate sample size and duration to yield conclusive results. Throughout this course, you’ll use a range of Python packages to help with A/B testing, including statsmodels, scipy, and pingouin.
By the end of the course, you will be able to run the necessary checks that guarantee accurate results, master the art of p-values, and analyze the results of A/B tests with ease and confidence to guide the most critical business decisions.
ข้อกำหนดเบื้องต้น
Hypothesis Testing in Python1
Overview of A/B Testing
In this chapter, you’ll learn the foundations of A/B testing. You’ll explore clear steps and use cases, learn the reasons and value of designing and running A/B tests, and discover the most commonly used metrics design and estimation frameworks.
2
Experiment Design and Planning
In Chapter 2, you’ll cover the experiment design process. Starting with learning how to formulate strong A/B testing hypotheses, you’ll also cover statistical concepts such as power, error rates, and minimum detectable effects. You’ll finish the chapter by learning to estimate the appropriate sample size needed to yield conclusive results and tackle scenarios with multiple comparisons.
3
Data Processing, Sanity Checks, and Results Analysis
Here, you’ll discover a concrete workflow for cleaning, preprocessing, and exploring AB testing data, as well as learn the necessary sanity checks we need to follow to ensure valid results. You’ll explore a detailed explanation and example of analyzing difference in proportions A/B tests.
4
Practical Considerations and Making Decisions
In the final chapter, you’ll develop frameworks for analyzing differences in means and leveraging non-parametric tests when several assumptions aren't met. You’ll also learn how to apply the Delta method when analyzing ratio metrics and discover the best practices and some advanced topics to continue the A/B testing mastery journey.
A/B Testing in Python
หลักสูตรเสร็จสมบูรณ์ ได้รับใบรับรองความสำเร็จ
เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณแชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย
พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile
พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา